Visualización con Matplotlib & Seaborn
Figures, axes, subplots, line plots, scatter plots, histogramas, heatmaps, styling, personalización
1¿Cuál es la diferencia principal entre la interfaz pyplot y la interfaz orientada a objetos de Matplotlib?
¿Cuál es la diferencia principal entre la interfaz pyplot y la interfaz orientada a objetos de Matplotlib?
Respuesta
La interfaz pyplot (plt.plot, plt.title) es una API estilo MATLAB que gestiona implícitamente las figuras y ejes actuales, conveniente para gráficos simples y rápidos. La interfaz orientada a objetos (fig, ax = plt.subplots()) da control explícito sobre cada elemento (Figure, Axes) y se recomienda para gráficos complejos, múltiples subplots o scripts de producción, ya que hace el código más legible y mantenible.
2¿Qué método usar para crear una figure con una cuadrícula de 2 filas y 3 columnas de subplots?
¿Qué método usar para crear una figure con una cuadrícula de 2 filas y 3 columnas de subplots?
Respuesta
La función plt.subplots(2, 3) crea una figure que contiene una cuadrícula de 2 filas y 3 columnas de subplots. Retorna una tupla (fig, axes) donde axes es un array NumPy 2D de forma (2, 3) que permite acceder a cada subplot vía axes[row, col]. Este enfoque es la forma más concisa e idiomática de crear cuadrículas regulares de subplots en Matplotlib.
3¿Cómo mostrar un heatmap de correlación de un DataFrame de Pandas con Seaborn?
¿Cómo mostrar un heatmap de correlación de un DataFrame de Pandas con Seaborn?
Respuesta
Para mostrar un heatmap de correlación, primero calcula la matriz de correlación con df.corr(), luego pasa el resultado a sns.heatmap(). La opción annot=True muestra los valores de correlación en cada celda, facilitando la lectura. Esta combinación es el patrón estándar para visualizar correlaciones entre variables numéricas en el análisis exploratorio de datos.
¿Cuál es el rol del parámetro 'bins' en plt.hist()?
¿Cómo compartir el eje Y entre múltiples subplots en la misma fila?
+17 preguntas de entrevista
Otros temas de entrevista Data Science & ML
Fundamentos de Python
Programación Orientada a Objetos en Python
Estructuras de datos en Python
Fundamentos de Git
Fundamentos de SQL
Fundamentos de NumPy
Fundamentos de Pandas
Jupyter & Google Colab
SQL Joins y consultas avanzadas
Pandas avanzado
Visualizaciones interactivas con Plotly
Estadística descriptiva
Estadística inferencial
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisado: Regresión
ML Supervisado: Clasificación
Árboles de Decisión y Ensembles
ML No Supervisado
Pipelines ML y Validación
Series Temporales y Pronóstico
Fundamentos de Deep Learning
TensorFlow & Keras
CNN y clasificación de imágenes
RNN y Secuencias
Transformers y Attention
NLP y Hugging Face
GenAI y LangChain
MLOps y Despliegue
Domina Data Science & ML para tu próxima entrevista
Accede a todas las preguntas, flashcards, tests técnicos, ejercicios de code review y simuladores de entrevista.
Empieza gratis